Katedra Informatyki i Sztucznej Inteligencji prowadzi prace badawcze w następujących obszarach badawczych:

• Wyjaśnialna i godna zaufania sztuczna inteligencja (XAI) – rozwój metod zwiększających interpretowalność, przejrzystość, wiarygodność, stabilność i możliwość formalnej weryfikacji modeli oraz procesów decyzyjnych AI, w tym podejść Model-Driven XAI. 
• Hybrydowa i neurosymboliczna sztuczna inteligencja – łączenie uczenia maszynowego, głębokich sieci neuronowych, Rough Sets, metod symbolicznych, logiki formalnej, reprezentacji wiedzy oraz architektur agentowych i wieloagentowych w celu tworzenia bardziej efektywnych i wyjaśnialnych systemów AI.
• Duże modele językowe, generatywna AI i inżynieria wiedzy – rozwój zastosowań LLM w pozyskiwaniu, strukturyzowaniu i destylacji wiedzy, automatyzacji procesów, interakcji człowiek–maszyna oraz orkiestracji narzędzi i wieloetapowych przepływów pracy.
• Reprezentacja, pozyskiwanie i formalizacja wiedzy – opracowywanie metod reprezentacji wiedzy w postaci ontologii, grafów wiedzy, modeli formalnych i struktur semantycznych oraz automatyczne wydobywanie wiedzy z danych heterogenicznych i nieustrukturyzowanych.
• Eksploracja danych, procesów i wiedzy z danych multimodalnych – analiza i integracja danych tabelarycznych, tekstowych, graficznych, przestrzennych, 3D, sensorycznych i procesowych, w tym odkrywanie modeli procesów z logów zdarzeń oraz danych IoT.
• Grafowa sztuczna inteligencja i modelowanie relacji – rozwój metod grafowej reprezentacji wiedzy, wnioskowania na grafach, analizy podobieństwa pojęć, badania struktury i entropii grafów oraz ograniczania złożoności obliczeniowej operacji na grafach.
• Uczenie maszynowe dla danych złożonych, niepełnych i zaszumionych – rozwój metod odpornych na niepewność, brak danych, zakłócenia i heterogeniczność, obejmujących m.in. segmentację danych 3D, dane wielowymiarowe i czasowo-przestrzenne oraz transfer wiedzy między domenami.
• Predykcja, optymalizacja i podejmowanie decyzji w systemach inteligentnych – opracowanie metod predykcyjnych, optymalizacyjnych i automatyzacyjnych dla środowisk o ograniczonych zasobach, m.in. mobilności miejskiej, energetyki, systemów IoT, robotyki i bioinformatyki.
• AI dla systemów dynamicznych, fizycznych i autonomicznych – wykorzystanie ML, modeli probabilistycznych, uczenia ze wzmocnieniem oraz Physics-Informed Machine Learning do modelowania i sterowania złożonymi układami dynamicznymi, predykcji trajektorii oraz analizy zjawisk fizycznych.
• Systemy agentowe, wieloagentowe i autonomiczne – rozwój architektur agentowych integrujących LLM, klasyczną AI, narzędzia i mechanizmy wnioskowania, a także badania nad współdziałaniem wielu agentów i ich zastosowaniem w złożonych procesach decyzyjnych.
• Formalne metody analizy, wnioskowania i weryfikacji systemów AI – zastosowanie logiki formalnej, sieci Petriego, analizy przestrzeni stanów, metod osiągalności, wykrywania zakleszczeń oraz automatycznego wnioskowania do oceny poprawności i bezpieczeństwa systemów informatycznych i AI.
• Inteligentne systemy wspomagania człowieka i zastosowania AI – zastosowania metod AI w medycynie i psychoterapii, robotyce medycznej, informatyce afektywnej, analizie ruchu człowieka, rekonstrukcji modeli 3D, bioinformatyce oraz innych dziedzinach wymagających połączenia wiedzy eksperckiej, danych i inteligentnego przetwarzania.